Haewon Park

Fingoo는 투자 분석에서 금융 교육으로 피벗한 금융 서비스입니다. Backend / AI 개발자로 합류해 백엔드 아키텍처 설계와, 피벗 이전에 구축되어 있던 LangGraph 기반 멀티에이전트 시스템의 정리 및 인수인계를 담당했습니다.

LangGraph 기반 멀티에이전트 시스템이 제품 방향 전환(투자 분석 → 금융 교육) 이후 새로운 제품 방향과 맞지 않게 되었고, 문서화도 충분하지 않아 팀이 구조를 온전히 파악하기 어려운 상태였습니다.

CTO 겸 AI/Backend 개발자로서 백엔드 아키텍처 설계, API 개발, 그리고 기존 멀티에이전트 시스템의 구조 정리와 인수인계 문서 작성을 주도했습니다.

• 제품 방향이 이미 한 차례 전환된 상태에서 합류해, 기존 코드베이스와 새로운 방향성 사이의 간극을 고려해야 했습니다.
• 실제 운영 중인 서비스였기 때문에, 재작업은 팀 협업과 인수인계를 전제로 진행해야 했습니다.

NestJS 기반 백엔드 아키텍처를 설계하고, PostgreSQL과 Redis를 활용한 데이터·캐시 계층을 구성했습니다. 동시에 기존 LangGraph 멀티에이전트 시스템의 구조를 정리해, 팀이 이해하고 유지보수할 수 있는 형태로 문서화했습니다.

NestJS(TypeScript) 백엔드, PostgreSQL을 주 데이터 저장소로, Redis를 캐시·세션 계층으로 사용하는 구조입니다. API 설계 시 팀의 협업 흐름을 고려해 계층을 분리했습니다.

• 새로운 기능 개발보다 기존 멀티에이전트 시스템의 구조 정리와 문서화를 우선순위로 두었습니다 — 팀이 이해하지 못하는 시스템은 유지보수할 수 없다고 판단했기 때문입니다.
• 아키텍처 문서를 별도로 남겨, 인수인계 이후에도 팀이 참고할 수 있도록 했습니다.

백엔드 아키텍처와 API가 실제 팀 협업 환경에서 운영되었고, LangGraph 멀티에이전트 시스템은 정리된 문서와 함께 팀에 인수인계되었습니다.

실제 팀 환경에서는 새 기능을 추가하는 것보다, 기존 시스템을 이해 가능한 상태로 만드는 것이 더 큰 가치를 만들 때가 있다는 것을 배웠습니다.

Sentinel Club은 사용자가 원하는 AI 모델을 직접 연결(BYOM)해서 사용할 수 있는 개인용 AI Agent 플랫폼입니다. Multi-agent orchestration을 중심으로, 여러 Agent가 협업해 작업을 수행하는 구조를 목표로 합니다.

상용 AI Agent 서비스 대부분은 특정 모델·벤더에 종속되어 있어, 사용자가 원하는 모델을 자유롭게 선택하기 어렵습니다. 또한 개인이 여러 Agent를 안전하게 운용할 수 있는 로깅·모니터링 체계를 갖춘 도구도 흔치 않습니다.

개인 프로젝트로 기획부터 Agent Orchestration 구조 설계, Backend/Infra 구현까지 전 과정을 담당하고 있습니다.

• 개인 프로젝트로 진행 중이라 리소스와 시간이 제한적입니다.
• BYOM 구조상 다양한 LLM Provider의 API 스펙 차이를 흡수해야 합니다.

Python 기반으로 Multi-Agent Orchestration 계층을 구축하고, 사용자가 자신의 LLM API 키를 등록해 원하는 모델을 연결(BYOM)할 수 있도록 설계했습니다. Docker로 배포 단위를 분리하고, Logging & Safety 계층을 통해 Agent 동작을 추적합니다.

Python 기반 Agent Orchestration 서비스가 여러 LLM Provider를 BYOM 방식으로 연결하고, Docker 컨테이너 단위로 실행됩니다. Logging & Safety 계층이 모든 Agent 실행을 기록합니다.

• 특정 LLM Provider에 종속되지 않도록, 처음부터 BYOM을 핵심 구조로 설계했습니다.
• Agent 동작을 신뢰할 수 있도록 Logging & Safety를 부가 기능이 아닌 핵심 구성 요소로 두었습니다.

현재 개발이 진행 중이며, 핵심 Orchestration 및 BYOM 연결 구조를 구현하고 있습니다. 구체적인 성과 지표는 프로젝트 완료 후 추가할 예정입니다.

개인 프로젝트에서도 처음부터 확장 가능한 구조(BYOM)를 잡아두면, 이후 리팩토링 비용이 크게 줄어든다는 것을 체감하고 있습니다.

Perix Sentinel은 뉴스를 자동으로 수집·분석·스코어링해서, 사용자에게 필요한 정보만 선별해 전달하는 AI 자동화 시스템입니다.

매일 쏟아지는 뉴스 중 실제로 의미 있는 정보를 사람이 직접 걸러내는 데는 많은 시간이 듭니다. 관심 주제와 관련된 뉴스만 자동으로 스코어링해서 전달하는 파이프라인이 필요했습니다.

기획부터 데이터 수집 파이프라인, Scoring 로직, Discord를 통한 자동 리포팅까지 전 과정을 개인적으로 설계하고 구현하고 있습니다.

• 뉴스 소스마다 형식이 달라, 수집 단계에서 데이터 정규화가 필요합니다.
• 스코어링 기준이 주관적일 수 있어, 반복적으로 검증하며 개선해야 합니다.

FastAPI 기반 Backend에서 News/Data Pipeline이 뉴스를 수집하고, LLM API를 활용해 관련성과 중요도를 Scoring합니다. 선별된 결과는 Discord API를 통해 자동으로 리포팅됩니다.

FastAPI Backend가 News/Data Pipeline → Scoring System → Discord 리포팅으로 이어지는 파이프라인을 오케스트레이션합니다.

• 사람이 매번 확인하지 않아도 되도록, 전달 채널을 Discord로 정하고 리포팅을 완전히 자동화하는 것을 목표로 삼았습니다.
• Scoring 로직을 LLM API에 위임해, 규칙 기반 필터링보다 유연한 관련성 판단이 가능하도록 설계했습니다.

현재 개발이 진행 중이며, 수집·스코어링·리포팅 파이프라인의 핵심 구조를 구현하고 있습니다. 구체적인 성과 지표는 프로젝트 완료 후 추가할 예정입니다.

자동화 파이프라인에서는 수집 단계의 데이터 품질이 이후 모든 단계의 정확도를 좌우한다는 것을 체감하고 있습니다.

SCPC Agent Project는 삼성 SCPC AI 대회를 위해 만든 Agent Harness입니다. Memory, Planning, Safety를 포함한 구조로 Device Agent를 구현하는 것을 목표로 합니다.

대회 환경에서는 Agent가 제한된 리소스와 평가 환경 안에서 안정적으로 계획을 세우고 실행해야 합니다. 단순 프롬프트 체이닝만으로는 Memory 유지나 Safety 보장이 어렵습니다.

팀의 일원으로 Agent Harness 설계, Memory/Planning 모듈 구현, Structured JSON 기반 출력 형식 정의를 담당하고 있습니다.

• 대회 규정에 맞는 평가 환경(Evaluation environment) 안에서 동작해야 합니다.
• LLM/SLM의 출력이 Structured JSON 형식을 안정적으로 지켜야 후속 로직이 정상 동작합니다.

Python 기반 Agent Harness에 Memory와 Planning 모듈을 구성하고, 모든 Agent 출력이 Structured JSON 스키마를 따르도록 설계했습니다. Safety 계층을 두어 Agent가 허용된 행동 범위를 벗어나지 않도록 제어합니다.

Python Agent Harness가 Memory, Planning, Safety 세 모듈을 오케스트레이션하며, LLM/SLM과의 모든 상호작용은 Structured JSON을 통해 이루어집니다.

• Agent의 판단 근거를 추적할 수 있도록, 자유 형식 텍스트 대신 Structured JSON 출력을 표준으로 채택했습니다.
• Safety를 사후 필터링이 아니라 Harness 구조 자체에 포함시켰습니다.

현재 대회를 목표로 개발이 진행 중이며, Agent Harness의 핵심 모듈(Memory, Planning, Safety)을 구현하고 있습니다. 구체적인 평가 결과는 대회 진행 후 추가할 예정입니다.

제한된 평가 환경에서는 Agent의 자유도보다 예측 가능성(Structured Output)이 더 중요한 설계 기준이 될 수 있다는 것을 배우고 있습니다.